Gemini 2.5 Flash-Lite
Gemini 2.5 Flash-Lite est un LLM de Google sorti le 17 juin 2025, avec un positionnement très économique et une fenêtre de contexte d’environ 1,0 M de tokens. À environ un an d’ancienneté, il appartient déjà à une génération ancienne à l’échelle de l’IA, ce qui impose de l’évaluer…
Gemini 2.5 Flash-Lite est un LLM de Google sorti le 17 juin 2025, avec un positionnement très économique et une fenêtre de contexte d’environ 1,0 M de tokens. À environ un an d’ancienneté, il appartient déjà à une génération ancienne à l’échelle de l’IA, ce qui impose de l’évaluer surtout par rapport aux modèles de sa période.
Le modèle est publié sous Creative Commons Attribution 4.0 License, mais ses poids ne sont pas ouverts. Son intérêt principal tient à son coût très bas, nettement inférieur à la moyenne des LLM similaires et très éloigné des tarifs des modèles frontière.
Caractéristiques
| Caractéristique | Valeur |
|---|---|
| Type | Grand modèle de langage (LLM) |
| Éditeur | |
| Licence | Creative Commons Attribution 4.0 License (poids non ouverts) |
| Date de sortie | 17 juin 2025 |
| Connaissances jusqu'à | 2025-01-01 |
| Multimodal | oui |
| Fenêtre de contexte | 1 048 576 tokens (≈ 1,0 M) |
| Modalités (entrée → sortie) | text,image → text |
Indices de synthèse
| Indice | Valeur | Rang (LLM) |
|---|---|---|
| Intelligence Index | 6.9 | 131ᵉ / 136 |
| Math Index | 35.3 | 40ᵉ / 55 |
Indices Artificial Analysis. Le rang situe le modèle parmi tous les LLM du catalogue disposant de l'indice.
Performances (benchmarks)
| Benchmark | Score | Rang (LLM) | Source | Fiabilité |
|---|---|---|---|---|
| Benchable : Email Classification (Baseline) | 100,0 % | 1ᵉ / 254 | benchable | ✅ Mesuré |
| Benchable : Ethics (Baseline) | 100,0 % | 1ᵉ / 248 | benchable | ✅ Mesuré |
| Benchable : General Knowledge (Baseline) | 99,0 % | 113ᵉ / 250 | benchable | ✅ Mesuré |
| Benchable : Hallucinations (Baseline) | 90,0 % | 145ᵉ / 229 | benchable | ✅ Mesuré |
| Benchable : Coding (Baseline) | 79,0 % | 182ᵉ / 248 | benchable | ✅ Mesuré |
| Benchable : Mathematics (Baseline) | 77,0 % | 158ᵉ / 217 | benchable | ✅ Mesuré |
| LiveBench: Coding | 66,4 % | 59ᵉ / 76 | livebench | ✅ Mesuré |
| Benchable : Reasoning (Baseline) | 62,0 % | 160ᵉ / 239 | benchable | ✅ Mesuré |
| LiveBench: Mathematics | 61,0 % | 66ᵉ / 76 | livebench | ✅ Mesuré |
| Benchable : Instruction Following (Baseline) | 58,0 % | 149ᵉ / 252 | benchable | ✅ Mesuré |
| LiveBench: Language | 52,0 % | 67ᵉ / 76 | livebench | ✅ Mesuré |
| LiveBench: Data Analysis | 47,0 % | 58ᵉ / 76 | livebench | ✅ Mesuré |
| LiveBench: Reasoning | 43,3 % | 60ᵉ / 76 | livebench | ✅ Mesuré |
| LiveBench: Global average | 42,6 % | 69ᵉ / 76 | livebench | ✅ Mesuré |
| LiveBench: IF | 23,1 % | 65ᵉ / 76 | livebench | ✅ Mesuré |
| LiveBench: Agentic Coding | 5,0 % | 70ᵉ / 76 | livebench | ✅ Mesuré |
| FACTS Grounding | 84,1 % | 3ᵉ / 13 | llm-stats | Auto-déclaré |
| Global-MMLU-Lite | 81,1 % | 4ᵉ / 14 | llm-stats | Auto-déclaré |
| MMMU | 72,9 % | 24ᵉ / 61 | llm-stats | Auto-déclaré |
| GPQA | 64,6 % | 134ᵉ / 213 | llm-stats | Auto-déclaré |
| Vibe-Eval | 51,3 % | 6ᵉ / 8 | llm-stats | Auto-déclaré |
| AIME 2025 | 49,8 % | 94ᵉ / 108 | llm-stats | Auto-déclaré |
| LiveCodeBench | 33,7 % | 57ᵉ / 72 | llm-stats | Auto-déclaré |
| SWE-Bench Verified | 31,6 % | 96ᵉ / 100 | llm-stats | Auto-déclaré |
| Aider-Polyglot | 26,7 % | 21ᵉ / 22 | llm-stats | Auto-déclaré |
| MRCR v2 | 16,6 % | 8ᵉ / 8 | llm-stats | Auto-déclaré |
| SimpleQA | 10,7 % | 38ᵉ / 45 | llm-stats | Auto-déclaré |
| Humanity's Last Exam | 5,1 % | 83ᵉ / 86 | llm-stats | Auto-déclaré |
« Auto-déclaré » : score communiqué par l'éditeur, non rejoué indépendamment. « Mesuré » : évalué par un tiers (Epoch AI, LiveBench). Le rang est calculé parmi les LLM évalués sur le même benchmark.
Comment se situe-t-il ?
Le modèle (en orange) comparé aux meilleurs modèles « grand public » sur chaque dimension, et à ses voisins de classement.
Intelligence Index
Math Index
Tarifs
| Fournisseur | Entrée / 1M | Sortie / 1M | Cache lecture / 1M |
|---|---|---|---|
| Google Vertex (EU) | 0,1 $ | 0,4 $ | 0,01 $ |
| artificialanalysis | 0,1 $ | 0,4 $ | 0,01 $ |
Prix en dollars US par million de tokens.
Sa tarification se situe 95 % en dessous de la moyenne des LLM similaires, et 48,3 fois moins cher que les modèles frontières (Claude Fable 5, GPT-5.4, Gemini 3.1 Pro Preview).
Coût & vitesse agentiques
| Indicateur | Valeur |
|---|---|
| Coût moyen par benchmark — Benchable | 0,01 $ |
| Latence moyenne par benchmark — Benchable | 1 min 57 s |
Coûts et durées réels mesurés en exécutant le modèle comme agent. PinchBench = un run complet de 147 tâches (harness OpenClaw) ; Benchable = moyenne par benchmark. Sources : PinchBench, Benchable.ai.
Notre analyse
Forces. Gemini 2.5 Flash-Lite se distingue d’abord par son efficacité tarifaire, avec une tarification très inférieure à celle des LLM comparables et environ 48,3 fois plus basse que les modèles frontière. À sa sortie, il se situait dans le top 40% sur GPQA parmi les LLM de sa génération, ce qui le plaçait correctement pour son époque. Ses meilleurs résultats Benchable concernent Email Classification (Baseline) et Ethics (Baseline), deux tests où il atteint le tout premier rang et le top 10. General Knowledge (Baseline) reste également solide, tandis que sa très grande fenêtre de contexte en fait un modèle conçu pour absorber de longs volumes de texte.
Limites et points d'attention. Son Intelligence Index le place en queue de classement, et ses résultats en Coding (Baseline), Mathematics (Baseline) et Hallucinations (Baseline) signalent des faiblesses nettes sur le raisonnement technique, les tâches de programmation et la fiabilité factuelle. Sa coupure de connaissances au 1er janvier 2025 limite aussi son actualité. Avec environ un an d’ancienneté, Gemini 2.5 Flash-Lite est probablement largement dépassé par les modèles récents et peut ne plus occuper une place active dans le catalogue de Google. Les poids non ouverts réduisent enfin les possibilités d’audit ou de déploiement autonome.
Sources des données : LLM-Stats (llm-stats.com) · OpenRouter (openrouter.ai) · Artificial Analysis (artificialanalysis.ai) · LiveBench (livebench.ai) · Benchable.ai (benchable.ai).